מנתונים-מונעים לשילוב פיזי: למידת מכונה מעצבת מחדש לייזר מיקרו-ייצור ננו

01מבוא

בינה מלאכותית (AI), במיוחד למידת מכונה (ML), מספקת יכולות אינטליגנטיות משמעותיות לייצור מיקרו-ננו בלייזר, ומדגימה ביצועים יוצאי דופן בתחומים כמו מודלים של תהליכי ייצור, אופטימיזציה של פרמטרים של תהליך וזיהוי אנומליות- בזמן אמת. פוטנציאל טרנספורמטיבי זה מניע את הפיתוח של הדור הבא של טכנולוגיות לייצור מיקרו-ננו בלייזר. האתגרים העיקריים העומדים בפני ייצור לייזר מסורתי נובעים מהמורכבות של אינטראקציות לייזר-חומר, אשר מובילות לתוצאות עיבוד בלתי נשלטות ולהצטברות של פגמים מיקרו-ננו במהלך תהליכים מרובי-שלבים, שבסופו של דבר מביאים לכשלים קטסטרופליים בתהליך. שילוב של בינה מלאכותית עם טכנולוגיות ייצור לייזר, באמצעות שילוב של מודלים מונעים-נתונים ומידול מונע לפיזיקה, כמו גם ניטור אינטליגנטי באתר וטכנולוגיות בקרה אדפטיבית, יכול להתמודד ביעילות עם אתגרים אלה. אילו שינויים מהפכניים יתרחשו כאשר בינה מלאכותית "פוגשת" את ייצור הלייזר?

02Machine Learning-Assisted Intelligent

עיבוד לייזר בעיבוד לייזר קונבנציונלי, התהליכים הפיזיים של אינטראקציות חומר לייזר- כרוכים באפקטים תרמודינמיים לא ליניאריים מורכבים, התנהגויות דינמיות של נוזלים ומעברי פאזה, מה שהופך את המנגנונים המובנים למסובכים מאוד ומושפעים מפרמטרים רבים של תהליך כגון כוח לייזר ומהירות סריקה. למרות שלמודלים אנליטיים מבוססי פיזיקה או סימולציות מספריות יש משמעות ברורה, הם מתמודדים עם אתגרים משמעותיים באפיון מדויק של תופעות חולפות, רב-בקנה מידה ורב-פיזיקה במהלך עיבוד מעשי. היתרון המרכזי של מודלים בסיוע למידת מכונה- טמון ביכולת שלו ללמוד קשרים לא ליניאריים מורכבים מנתונים, וללכוד ביעילות את מתאמי המיפוי בין פרמטרי תהליך, מצבי תהליך ומחווני איכות סופיים, ובכך "לעקוף" ניתוח מודלים פיזיים מורכבים כדי להשיג חיזוי, אופטימיזציה ובקרה על תוצאות העיבוד. מודל עיבוד לייזר בסיוע-למידת מכונה מתחלק בעיקר לשני סוגים: מודלים מונעים-נתונים ומידול מונחי פיזיקה. בהשוואה למודלים מונעים-לנתונים, הבוחן "מודלים של קופסה שחורה" בין קלט ופלט באמצעות נתונים ניסיוניים, מודלים מונעים לפיזיקה-משלבים חוקים פיזיקליים כאילוצים רכים (מונחי פונקציית אובדן) או אילוצים קשים (ארכיטקטורת רשת). מודלים מונעי פיזיקה-לא רק מנצלים נתונים תצפיתיים אלא גם משלבת ידע קודם המתאר תהליכים פיזיקליים בסיסיים. נתונים-מודלים מונעים:מוח-ממשקי מחשב (BCI) מייצרים נתיבי תקשורת בין המוח האנושי להתקנים חיצוניים על ידי עקיפת נתיבי העברה עצבית ביולוגית ומערכות רכישת אותות עצביים. נכון לעכשיו, טכניקת התערבות עצבית מתקדמת יחסית משתמשת במערכות אלקטרודות זעירות פולשניות הנפרסות בתוך כלי הדם המוחיים. סטנטים של Nitinol משמשים כנשאי אלקטרודה תוך-וסקולריים לאיסוף אותות אלקטרואנצפלוגרפיים או העברת גירוי חשמלי. שיטות ההרכבה המסורתיות משתמשות בעיקר בדבקים -ניתנים לריפוי אולטרה סגול כדי לחבר אלקטרודות פלטינה למשטח הסטנט בשילוב עם חיבורי ריתוך מיקרו-. מנגנון ה"עיבוד הקר" של לייזרים מהירים במיוחד שומר על שלמות הממשק הנוירווסקולרי מבלי לגרום לנזק תרמי. באמצעות XGBoost (eXtreme Gradient Boosting) ו-SVM (Support Vector Machine), ניתן לבצע חיזויים לגבי רוחב החתך ותדירות החזרות. אימות ניסוי הראה שאנרגיית הדופק-יחידה הופחתה מ-20 μJ ללא אופטימיזציה ל-7.64 μJ, תדירות החזרה עלתה מ-40 קילו-הרץ ל-52.28 קילו-הרץ, ומהירות הסריקה ירדה מ-20 מ"מ/שניה ל-8.33 מ"מ/שנייה. תוצאות העיבוד מוצגות באיור 1. איור 1ה מציג את המורפולוגיה הלא אופטימלית של המיקרו-מבנה, בעוד שאיור 1f מציג את מורפולוגיית העיבוד האופטימלית, מה שמציין בבירור שלמבנה המאופטימיז יש אזור מושפע חום קטן יותר ודיוק עיבוד גבוה יותר.

מודלים של מנגנון פיזי:

בהשוואה לעלות הגבוהה ולמחזור הארוך של מודלים-מונחי נתונים, מודלים של מנגנון פיזי עוקף את הצורך במערך נתונים מחושבים מראש על ידי הטמעת משוואות דיפרנציאליות חלקיות בפונקציית האובדן של רשת עצבית. עיבוד פלזמה-מושר בלייזר (LIPMM) מוגבל על ידי הסברים תיאורטיים פיזיקליים חלקיים ועלויות זמן משמעותיות. למרות שנעשו ניסיונות להשתמש בלמידת מכונה לעיבוד חומרים בלייזר, המחסור בנתונים מספקים נותר מכשול מרכזי. במסגרות למידת מכונה מונחות של -מודל- בפיזיקה, פרמטרים של מנגנון ביניים שנוצרו על ידי מודלים פיזיים, כגון צפיפות פלזמה שיא ומשך הפלזמה, מתווספים כממדים נוספים לקוקטורי הנתונים המקוריים, בשילוב עם אלגוריתמים גנטיים כדי לייעל פרמטרים רב-ממדיים של תהליך-. הכללת מידע על מנגנון פיזי מגדילה את ממדי הנתונים, מעשירה את מערך ההדרכה ומפחיתה את כמות הנתונים הנדרשת. גישה זו משפרת את דיוק המודל עם גדלי מדגם קטנים, ובכך מאפשרת חיזוי מדויק של עומק LIPMM. הצגת המידע הפיזי מנחה את תהליך האופטימיזציה עם השלכות פיזיות סבירות יותר, כלומר צפיפות שיא פלזמה גבוהה יותר, משך פלזמה ארוך יותר, אנרגיית דופק בודדת גדולה יותר וחפיפה נקודתית קטנה יחסית, ובכך מייעלת את ביצועי ה-LIPMM.

03 סיכום

השילוב של בינה מלאכותית ועיבוד מיקרו-ננו בלייזר עובר מהפכה עמוקה, כאשר תפקידו מתפתח מאופטימיזציה של תהליך-נקודתי לבניית מערכות 'ייצור קוגניטיבי' מקצה-ל-קצה. נכון לעכשיו, חוד החנית של תחום זה מתמקד במודלים-מיודעים פיזית, במיוחד היישום המעמיק של רשתות עצביות-בפיזיקה. פרדיגמת למידת מכונה מתקדמת זו אינה עוד רק 'חקיין' מונע-של נתונים אלא 'מבין' חוקים פיזיקליים. על ידי הטמעת משוואות פיסיקליות הליבה כגון הולכת חום ודינמיקת נוזלים כאילוצים בתהליך האימון של רשתות עצביות, המודלים עדיין יכולים לבצע תחזיות מדויקות בהתאם לעקרונות הפיזיקליים למרות נתונים ניסויים דלים. זה לא רק פותר את ההסתמכות של מודלים מסורתיים של למידת מכונה על מערכי נתונים מסיביים עם תוויות, אלא גם מקנה יכולת הכללה של 'מסק מאחד לרבים', מה שהופך את התחזיות שלהם לניתנות לפירוש פיזית. כיום, חוקרים בונים סביבות אימון 'היברידיות'. בסביבה זו, הגדרת הלמידה לחיזוק בנויה על סימולציות פיזיות מציאותיות ביותר כדי ללמוד אסטרטגיות עיבוד בסיסיות, אשר לאחר מכן מכוונות במהירות- ומאומתות תוך שימוש בנתונים בפועל במהלך העיבוד.

למידת מכונה הופכת את האינטראקציות המורכבות בין אור וחומר לחוקים פיזיקליים שניתנים לתכנות, הניתנות לאופטימיזציה, ומניעה את תעשיית הייצור להשיג שינוי פרדיגמה מ"תלות- בחוויה" ל"אוטונומיה קוגניטיבית". האינטגרציה העמוקה הזו מובילה אותנו מעבר לגישות המסורתיות של ניסוי-ו-טעויות לעידן חדש של ייצור מדויק המונע על ידי נתונים וידע פיזי.